人工智能：復(fù)雜問題求解的結(jié)構(gòu)和策略 英文版

Preface                  
 PART I                  
 ARTIFICIAL INTELLIGENCE: ITS ROOTS                  
 AND SCOPE 1                  
 1  Al: HISTORY AND APPLICATIONS 3                  
 1.1  From Eden to ENIAC: Attitudes toward Intelligence, Knowledge, and                  
 Human Artifice  3                  
 1.2  Overview of AI Application Areas  17                  
 1.3  Artificial Intelligence--A Summary 28                  
 1.4  Epilogue and References  29                  
 1.5  Exercises 31                  
 PART II                  
 ARTIFICIAL INTELLIGENCE AS                  
 REPRESENTATION AND SEARCH  33                  
 2  THE PREDICATE CALCULUS 47                  
 2.0  Introduction 47                  
 2.1  The Propositional Calculus 47                  
 2.2  The Predicate Calculus 52                  
 2.3  Using Inference Rules to Produce Predicate Calculus Expressions 64                  
 2.4  Application: A Logic-Based Financial Advisor 75                  
 2.5  Epilogue and References  79                  
 2.6  Exercises  79                  
 PART II (continued)                  
 3     STRUCTURES AND STRATEGIES FOR STATE SPACE SEARCH                  
 3.0    Introduction  81                  
 3.1    Graph Theory 84                  
 3.2    Strategies for State Space Search 93                  
 3.3    Using the State Space to Represent Reasoning with the Predicate Calculus                  
 3.4    Epilogue and References  121                  
 3.5    Exercises 121                  
 4    HEURISTIC SEARCH 123                  
 4.0    Introduction  123                  
 4.1    An Algorithm for Heuristic Search  127                  
 4.2    Admissibility, Monotonicity, and Informedness  139                  
 4.3    Using Heuristics in Games  144                  
 4.4    Complexity Issues  152                  
 4.5    Epilogue and References  156                  
 4.6    Exercises  156                  
 5          CONTROL AND IMPLEMENTATION OF STATE SPACE SEARCH                  
 5.0    Introduction  159                  
 5.1    Recursion-Based Search  160                  
 5.2    Pattern-Directed Search  164                  
 5.3    Production Systems  171                  
 5.4    The Blackboard Architecture for Problem Solving  187                  
 5.5    Epilogue and References  189                  
 5.6    Exercises  190                  
 PART III                  
 REPRESENTATION AND INTELLIGENCE:                  
 THE Al CHALLENGE 193                  
 6     KNOWLEDGE REPRESENTATION  197                  
 6.0    Issues in Knowledge Representation  197                  
 6.1    A Brief History of AI Representational Systems 198                  
 6.2    Conceptual Graphs: A Network Language 218                  
 6.3    Alternatives to Explicit Representation 228                  
 6.4    Agent Based and Distributed Problem Solving 235                  
 6.5    Epilogue and References 240                  
 6.6    Exercises 243                  
 PART III (continued)                  
 7         STRONG METHOD PROBLEM SOLVING   247                  
 7.0    Introduction  247                  
 7.1    Overview of Expert System Technology  249                  
 7.2    Rule-Based Expert Systems 256                  
 7.3    Model-Based, Case Based, and Hybrid Systems 268                  
 7.4    Planning 284                  
 7.5    Epilogue and References  299                  
 7.6    Exercises 301                  
 8     REASONING IN UNCERTAIN SITUATIONS  303                  
 8.0    Introduction 303                  
 8.1    Logic-Based Abductive Inference  305                  
 8.2    Abduction: Alternatives to Logic 320                  
 8.3    The Stochastic Approach to Uncertainty 333                  
 8.4    Epilogue and References 344                  
 8.5    Exercises  346                  
 PART IV                  
 MACHINE LEARNING  349                  
 9    MACHINE LEARNING: SYMBOL-BASED 351                  
 9.0    Introduction  603                  
 9.1    A Framework for Symbol-based Learning 354                  
 9.2    Version Space Search  360                  
 9.3    The ID3 Decision Tree Induction Algorithm  372                  
 9.4    Inductive Bias and Learnability  381                  
 9.5    Knowledge and Learning  386                  
 9.6    Unsupervised Learning 397                  
 9.7    Reinforcement Learning 406                  
 9.8    Epilogue and References 413                  
 9.9    Exercises 414                  
 10       MACHINE LEARNING: CONNECTIONIST   417                  
 10.0   Introduction 417                  
 10.1   Foundations for Connectionist Networks 419                  
 10.2   Perceptron Learning 422                  
 10.3   Backpropagation Learning 431                  
 10.4   Competitive Learning 438                  
 10.5   Hebbian Coincidence Learning 446                  
 10.6   Attractor Networks or "Memories" 457                  
 10.7   Epilogue and References 467                  
 10.8   Exercises 468                  
 PART IV (continued)                  
 11   MACHINE LEARNING: SOCIAL AND EMERGENT   469                  
 11.0   Social and Emergent Models of Learning 469                  
 11.1   The Genetic Algorithm 471                  
 11.2   Classifier Systems and Genetic Programming 481                  
 11.3   Artificial Life and Society-Based Learning 492                  
 11.4   Epilogue and References 503                  
 11.5   Exercises  504                  
 PARTV                  
 ADVANCED TOPICS FOR Al PROBLEM SOLVING   507                  
 12  AUTOMATED REASONING   509                  
 12.0   Introduction to Weak Methods in Theorem Proving 509                  
 12.1   The General Problem Solver and Difference Tables 510                  
 12.2   ResohtionTheorem Proving 516                  
 12.3   PROLOG and Automated Reasoning 537                  
 12.4   Further Issues in Automated Reasoning  543                  
 12.5   Epilogue and References 550                  
 12.6   Exercises  551                  
 13   UNDERSTANDING NATURAL LANGUAGE   553                  
 13.0   Role of Knowledge in Language Understanding 553                  
 13.1   Deconstructing Language: A Symbolic Analysis 556                  
 13.2   Syntax 559                  
 13.3   Syntax and Knowledge with ATN Parsers 568                  
 13.4   Stochastic Tools for Language Analysis 578                  
 13.5   Natural Language Applications 585                  
 13.6   Epilogue and References 592                  
 13.7   Exercises 557                  
 PART VI                  
 LANGUAGES AND PROGRAMMING TECHNIQUES                  
 FOR ARTIFICIAL INTELLIGENCE   597                  
 14  AN INTRODUCTION TO PROLOG   603                  
 14.0  Introduction 603                  
 14.1   Syntax for Predicate Calculus Programming 604                  
 14.2   Abstract Data Types (ADTs) in PROLOG 616                  
 14.3   A Production System Example in PROLOG 620                  
 PART VI: 14 AN INTRODUCTION TO PROLOG (continued)                  
 14.4   Designing Alternative Search Strategies 625                  
 14.5   A PROLOG Planner 630                  
 14.6   PROLOG: Meta-Predicates, Types, and Unification 633                  
 14.7   Meta-Interpreters in PROLOG 641                  
 t4.8   Learning Algorithms in PROLOG 656                  
 14.9   Natural Language Processing in PROLOG 666                  
 14.10  Epilogue and References 673                  
 14.11  Exercises 676                  
 15      AN INTRODUCTION TO LISP   679                  
 15.0   Introduction 679                  
 15.1   LISP: A Brief Overview 680                  
 15.2   Search in LISP: A Functional Approach to the Farmer, Wolf, Goat,                  
 and Cabbage Problem 702                  
 15.3   Higher-Order Functions and Procedural Abstraction 707                  
 15.4   Search Strategies in LISP 711                  
 15.5   Pattern Matching in LISP 715                  
 15.6   A Recursive Unification Function  717                  
 15.7   Interpreters and Embedded Languages 721                  
 15.8   Logic Programming in LISP 723                  
 15.9   Streams and Delayed Evaluation 732                  
 15.15  An Expert System Shell in LISP 736                  
 15.11  Semantic Networks and Inheritance in LISP 743                  
 15.12  Object-Oriented Programming Using CLOS 747                  
 15.13  Learning in LISP: The ID3 Algorithm 759                  
 15.14  Epilogue and References 771                  
 15.15  Exercises 772                  
 PART VII                  
 EPILOGUE 777                  
 16   ARTIFICIAL INTELLIGENCE AS EMPIRICAL ENQUIRY   779                  
 16.0   Introduction 779                  
 16.1   Artificial Intelligence: A Revised Definition 781                  
 16.2   The Science of Intelligent Systems 792                  
 16.3   Al: Current Issues and Future Directions 803                  
 16.4   Epilogue and References 807                  
 Bibliography 809                  
 Author Index 837                  
 Subject Index 843